对数据有限的磁共振成像细分的自我监督,生成和少数拍摄的深度学习方法的审查
Zelong Liu1, Komal Kainth1, Alexander Zhou1
1BioMedical Engineering and Imaging Institute, Icahn School of Medicine at Mount Sinai, New York, New York, USA.
NMR in biomedicine
|March 25, 2024
概括
本综述探讨了使用有限的标记数据进行医学图像细分的先进深度学习方法. 诸如自我监督和少数射击学习等技术可以提高MRI细分的准确性,而无需大量注释.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 机器学习 机器学习
背景情况:
- 磁共振成像 (MRI) 对于诊断和治疗计划至关重要.
- 准确的MRI细分对于识别异常和监测疾病至关重要.
- 深度学习已经推进了MRI细分,但需要大量的注释数据集.
研究的目的:
- 通过有限的注释数据审查MRI细分的最新算法.
- 在这种背景下解释自我监督,生成,少数射击和半监督学习的原则.
- 根据可用的注释数据数量突出显示适用的算法.
主要方法:
- 审查自我监督学习,生成模型,少数射击学习和半监督学习.
- 总结它们在心脏,腹部和大脑MRI细分中的应用.
- 识别适用于不同数量的标记数据的算法.
主要成果:
- 这些方法提供了有效的MRI细分,减少了对广泛注释的依赖.
- 算法根据数据要求进行分类,以帮助实际应用.
- 提供了公开可用的MRI细分数据集列表.
结论:
- 有限标签的学习方法对于推进自动化MRI细分至关重要.
- 未来的方向包括对比的语言图像预训练和方法组合.
- 进一步的研究可以通过最小的标记数据来提高细分效率.
